dor_id: 11301

506.#.#.a: Público

590.#.#.d: Los artículos enviados a la revista "Atmósfera", se juzgan por medio de un proceso de revisión por pares

510.0.#.a: Consejo Nacional de Ciencia y Tecnología (CONACyT); Sistema Regional de Información en Línea para Revistas Científicas de América Latina, el Caribe, España y Portugal (Latindex); Scientific Electronic Library Online (SciELO); SCOPUS, Web Of Science (WoS); SCImago Journal Rank (SJR)

561.#.#.u: https://www.atmosfera.unam.mx/

650.#.4.x: Físico Matemáticas y Ciencias de la Tierra

336.#.#.b: article

336.#.#.3: Artículo de Investigación

336.#.#.a: Artículo

351.#.#.6: https://www.revistascca.unam.mx/atm/index.php/atm/index

351.#.#.b: Atmósfera

351.#.#.a: Artículos

harvesting_group: RevistasUNAM

270.1.#.p: Revistas UNAM. Dirección General de Publicaciones y Fomento Editorial, UNAM en revistas@unam.mx

590.#.#.c: Open Journal Systems (OJS)

270.#.#.d: MX

270.1.#.d: México

590.#.#.b: Concentrador

883.#.#.u: https://revistas.unam.mx/catalogo/

883.#.#.a: Revistas UNAM

590.#.#.a: Coordinación de Difusión Cultural

883.#.#.1: https://www.publicaciones.unam.mx/

883.#.#.q: Dirección General de Publicaciones y Fomento Editorial

850.#.#.a: Universidad Nacional Autónoma de México

856.4.0.u: https://www.revistascca.unam.mx/atm/index.php/atm/article/view/ATM.2017.30.01.01/46580

100.1.#.a: Carro-calvo, Leo; Casanova-mateo, Carlos; Sanz-justo, Julia; Casanova-roque, José Luis; Salcedo-sanz, Sancho

524.#.#.a: Carro-calvo, Leo, et al. (2017). Efficient prediction of total column ozone based on support vector regression algorithms, numerical models and Suomi-satellite data. Atmósfera; Vol. 30 No. 1, 2017; 1-10. Recuperado de https://repositorio.unam.mx/contenidos/11301

720.#.#.a: panish Ministerial Commission of Science and Technology (MICYT)

245.1.0.a: Efficient prediction of total column ozone based on support vector regression algorithms, numerical models and Suomi-satellite data

502.#.#.c: Universidad Nacional Autónoma de México

561.1.#.a: Instituto de Ciencias de la Atmósfera y Cambio Climático, UNAM

264.#.0.c: 2017

264.#.1.c: 2016-12-20

653.#.#.a: Total column ozone; daily forecasting; satellite data; numerical models; support vector regression

506.1.#.a: La titularidad de los derechos patrimoniales de esta obra pertenece a las instituciones editoras. Su uso se rige por una licencia Creative Commons BY-NC 4.0 Internacional, https://creativecommons.org/licenses/by-nc/4.0/legalcode.es, para un uso diferente consultar al responsable jurídico del repositorio por medio del correo electrónico editora@atmosfera.unam.mx

884.#.#.k: https://www.revistascca.unam.mx/atm/index.php/atm/article/view/ATM.2017.30.01.01

001.#.#.#: 022.oai:ojs.pkp.sfu.ca:article/52243

041.#.7.h: eng

520.3.#.a: This paper proposes a novel prediction method for Total Column Ozone (TCO), based on the combination of Support Vector Regression (SVR) algorithms and different predictive variables coming from satellite data (Suomi National Polar-orbiting Partnership satellite), numerical models (Global Forecasting System model, GFS) and direct measurements. Data from satellite consists of temperature and humidity profiles at different heights, and TCO measurements the days before the prediction. GFS model provides predictions of temperature and humidity for the day of prediction. Alternative data measured in situ, such as aerosol optical depth at different wavelengths, are also considered in the system. The SVR methodology is able to obtain an accurate TCO prediction from these predictive variables, outperforming other regression methodologies such as neural networks. Analysis on the best subset of features in TCO prediction is also carried out in this paper. The experimental part of the paper consists in the application of the SVR to real data collected at the radiometric observatory of Madrid, Spain, where ozone measurements obtained with a Brewer spectrophotometer are available, and allow the system’s training and the evaluation of its performance.

773.1.#.t: Atmósfera; Vol. 30 No. 1 (2017); 1-10

773.1.#.o: https://www.revistascca.unam.mx/atm/index.php/atm/index

046.#.#.j: 2021-10-20 00:00:00.000000

022.#.#.a: ISSN electrónico: 2395-8812; ISSN impreso: 0187-6236

310.#.#.a: Trimestral

300.#.#.a: Páginas: 1-10

264.#.1.b: Instituto de Ciencias de la Atmósfera y Cambio Climático, UNAM

doi: https://doi.org/10.20937/ATM.2017.30.01.01

handle: 0095419fcc850a91

harvesting_date: 2023-06-20 16:00:00.0

856.#.0.q: application/pdf

last_modified: 2023-06-20 16:00:00

license_url: https://creativecommons.org/licenses/by-nc/4.0/legalcode.es

license_type: by-nc

_deleted_conflicts: 2-4bac3846e38e4b412bd3a609ca767222

No entro en nada

No entro en nada 2